252 articles
Cet article démontre que le critère A se factorise en un terme d'échelle inverse-D et un facteur de sphéricité sans dimension dépendant de la dispersion des valeurs propres, révélant ainsi pourquoi des designs équivalents en D peuvent différer significativement en termes de variance des coefficients et de prédiction, tout en proposant une approche de post-sélection basée sur cette relation.
Ce papier caractérise la frontière critique où les limites gaussiennes du mécanisme de brouillage échouent, en établissant la convergence vers des limites non gaussiennes de type Poisson, Skellam et composé-Poisson pour des randomisateurs locaux de plus en plus concentrés.
Cette étude propose une méthode innovante de sous-typage du cancer basée sur le clustering de graphes informé par les trajectoires, qui intègre des données cliniques multimodales et longitudinales pour identifier des sous-groupes de patients aux profils évolutifs et pronostiques distincts, dépassant ainsi les limites des approches statiques traditionnelles.
Cet article propose une méthode d'apprentissage de dictionnaire pour le clustering non supervisé d'images hyperspectrales en utilisant des barycentres de Wasserstein non équilibrés afin de surmonter les limitations des approches précédentes liées à l'équilibrage des profils spectraux et à la sensibilité au bruit.
Cet article propose un prédicteur pseudo-empirique optimal multivarié pour estimer les moyennes de plusieurs variables dépendantes dans de petits domaines en tenant compte des mécanismes d'échantillonnage complexes, tout en dérivant des estimateurs d'erreur quadratique moyenne par bootstrap et en validant la méthode via des simulations et une application sur des données de logement.
Cet article propose et évalue deux nouveaux algorithmes de g-computation capables d'estimer simultanément les effets causaux d'interventions temporelles dans le contexte d'événements semi-compétitifs et de facteurs de confusion variables dans le temps, démontrant leur supériorité par simulation et leur application à l'étude de l'impact de l'arrêt du tabagisme sur l'hypertension et la mortalité.
Ce papier établit un cadre théorique unifié reliant la stabilité des algorithmes de descente de miroir stochastique régularisée à une inférence statistique valide dans les bandits, démontrant que des variantes régularisées de l'algorithme EXP3 permettent d'obtenir simultanément des intervalles de confiance fiables, une régression minimax optimale et une robustesse aux corruptions adverses.
Cet article développe une théorie générale pour l'apprentissage pondéré par les résultats (OWL) en établissant des relations entre le risque 0-1 et une large classe de fonctions de perte de substitution via une transformation variationnelle, en démontrant des taux de convergence pour les noyaux Matern et gaussiens, et en proposant des algorithmes d'optimisation convexes itératifs pour améliorer les règles de traitement individualisé.
Ce papier présente BSync, un cadre bayésien qui synchronise les enregistrements paléoclimatiques bruyants en inférant une fonction de transformation temporelle monotone avec une quantification rigoureuse de l'incertitude, surpassant ainsi les méthodes d'alignement optimisation existantes, notamment lorsque les contraintes chronologiques indépendantes sont rares.
Cet article étudie une approximation par diffusion en temps continu des algorithmes de gradient de politique pour les bandits stochastiques à bras, démontrant que des taux de regret optimaux sont atteints avec un taux d'apprentissage spécifique, tout en établissant que des taux linéaires inévitables surviennent sans cette condition même pour un nombre logarithmique de bras.
Cet article démontre que, lorsque la conditionnelle d'un modèle hiérarchique bayésien suit une distribution canonique de principe d'entropie maximale, la loi marginale dépendante qui en résulte conserve également une propriété d'entropie maximale sous une contrainte différente portant sur la distribution marginale d'une fonction des paramètres inconnus.
Ce papier propose MultiwayPAM, une nouvelle méthode de clustering tensoriel appliquée aux scores d'évaluation « LLM-as-a-Judge » pour surmonter les défis du coût computationnel et des biais inhérents en identifiant simultanément les membres et les médoides de chaque mode (questions, répondants, évaluateurs).
Cet article réfute la validité générale du critère usuel d'identification des statistiques minimales suffisantes en fournissant des contre-exemples, puis propose une version robuste de ce critère applicable aux espaces analytiques de Borel tout en démontrant qu'une autre approche de Pfanzagl nécessite également des hypothèses supplémentaires.
Cet article démontre qu'une classe de combinaisons optimisées de valeurs-e, issues de processus-e, reste valide même lorsque le paramètre de réglage est optimisé à partir des données, et propose une méthode de test améliorée basée sur les polynômes symétriques élémentaires pour des variables-e simultanées.
Cet article résout le problème d'identification du meilleur bras dans des bandits linéaires non stationnaires en établissant une borne inférieure dépendante de l'ensemble des bras et en proposant l'algorithme , basé sur une conception optimale adjacente, qui atteint cette borne et affine ainsi la complexité de l'apprentissage au-delà des résultats minimax pessimistes.
Cet article propose une méthode d'estimation robuste pour mettre à jour un modèle de prédiction des risques en intégrant des informations de classement externes, permettant de tirer parti de modèles pronostiques établis même lorsque leurs scores de risque absolus ne sont pas directement transférables en raison de différences entre les populations d'étude.
Cet article propose un estimateur ciblé minimum de perte assisté par des substituts pour estimer des effets causaux avec des résultats retardés et une censure administrative, offrant une solution doublement robuste et asymptotiquement linéaire qui évite l'instabilité des pondérations par probabilité d'inverse et élimine les biais d'ordre supérieur sans nécessiter l'estimation directe de la loi des substituts conditionnels.
Cet article propose WiGS, une méthode d'apprentissage actif pour la régression qui utilise l'apprentissage par renforcement pour adapter dynamiquement le compromis entre exploration et exploitation, surpassant ainsi les approches existantes en précision et en efficacité d'étiquetage, notamment dans les régions à densité de données irrégulière.
Ce papier propose la régression isotonique de Brenier, une extension de la régression isotonique aux sorties multiples en utilisant le transport optimal de Kantorovich pour imposer une cyclicité monotone via un potentiel convexe, démontrant ainsi des performances supérieures dans la calibration des probabilités et les modèles linéaires généralisés.
Cet article établit la convergence vers une solution interpolante et analyse le biais implicite de la descente de gradient préconditionnée dans l'espace dual pour des modèles linéaires sur-paramétrés, en démontrant notamment que les préconditionneurs isotropes reproduisent le biais de la descente de gradient standard.